在檢測職業(yè)，與人類視覺比較，機器視覺優(yōu)勢顯著
1、精確度高：人類視覺是64灰度級，且對微小方針分辨力弱；機器視覺可顯著提高灰度級，一起可觀測微米級的方針；
2、速度快：人類是無法看清快速運動的方針的，機器快門時間則可達微秒級別；
3、穩(wěn)定性高：機器視覺解決了人類一個十分嚴峻的問題，不穩(wěn)定，人工目檢是勞動十分單調(diào)和辛苦的職業(yè)，無論你規(guī)劃怎樣的獎懲制度，都會發(fā)作比較高的漏檢率?？墒?a href='http://www.eveychua.com/' target='_blank' class='key_tag'>機器視覺檢測設備則沒有疲憊問題，沒有情緒波動，只要是你在算法中寫好的東西，每一次都會認真執(zhí)行。在質(zhì)控中大大提高效果可控性。
4、信息的集成與留存：機器視覺取得的信息量是全面且可追溯的，相關信息能夠很便利的集成和留存。
機器視覺技能近年開展迅速
1、圖畫采集技能開展迅猛
CCD、CMOS等固件越來越成熟，圖畫敏感器材尺度不斷縮小，像元數(shù)量和數(shù)據(jù)率不斷提高，分辨率和幀率的提高速度能夠說日新月異，產(chǎn)品系列也越來越豐富，在增益、快門和信噪比等參數(shù)上不斷優(yōu)化，經(jīng)過中心測驗目標(MTF、畸變、信噪比、光源亮度、均勻性、色溫、系統(tǒng)成像能力歸納評價等)來對光源、鏡頭和相機進行歸納挑選，使得許多曾經(jīng)成像上的難點問題得以不斷打破。
2、圖畫處理和形式辨認開展迅速
圖畫處理上，跟著圖畫高精度的邊際信息的提取，許多本來混合在背景噪聲中難以直接檢測的低對比度瑕疵開始得到分辨。
形式辨認上，自身能夠看作一個符號進程，在必定量度或觀測的根底上，把待識形式劃分到各自的形式中去。圖畫辨認中運用得較多的主要是決議計劃理論和結(jié)構(gòu)辦法。決議計劃理論辦法的根底是決議計劃函數(shù)，使用它對形式向量進行分類辨認，是以守時描繪(如計算紋理)為根底的；結(jié)構(gòu)辦法的中心是將物體分解成了形式或形式基元，而不同的物體結(jié)構(gòu)有不同的基元串(或稱字符串)，經(jīng)過對未知物體使用給定的形式基元求出編碼邊界，得到字符串，再根據(jù)字符串判斷它的屬類。在特征生成上，許多新算法不斷出現(xiàn)，包含根據(jù)小波、小波包、分形的特征，以及獨二分量分析；還有關子支持向量機，變形模板匹配，線性以及非線性分類器的規(guī)劃等都在不斷延展。
3、深度學習帶來的打破
傳統(tǒng)的機器學習在特征提取上主要依托人來分析和樹立邏輯，而深度學習則經(jīng)過多層感知機模仿大腦工作，構(gòu)建深度神經(jīng)網(wǎng)絡(如卷積神經(jīng)網(wǎng)絡等)來學習簡單特征、樹立復雜特征、學習映射并輸出，訓練進程中一切層級都會被不斷優(yōu)化。在詳細的使用上，例如主動ROI區(qū)域切割；標點定位(經(jīng)過防真視覺可靈敏檢測未知瑕疵)；從重噪聲圖畫重檢測無法描繪或量化的瑕疵如橘皮瑕疵；分辨玻璃蓋板檢測中的真假瑕疵等。跟著越來越多的根據(jù)深度學習的機器視覺軟件推向市場，深度學習給機器視覺的賦能會越來越顯著。
4、3d視覺的開展
3D視覺還處于起步階段，許多使用程序都在使用3D表面重構(gòu)，包含導航、工業(yè)檢測、逆向工程、測繪、物體辨認、測量與分級等，但精度問題限制了3D視覺在許多場景的使用，現(xiàn)在工程上最早鋪開的使用是物流里的標準件體積測量，相信未來這塊潛力巨大。
要全免替代人工目檢，機器視覺還有諸多難點有待攻破：
1、光源與成像：機器視覺中優(yōu)質(zhì)的成像是第一步，由于不同材料物體表面反光、折射等問題都會影響被測物體特征的提取，因而光源與成像能夠說是機器視覺檢測要霸占的第一個難關。比方現(xiàn)在玻璃、反光表面的劃痕檢測等，許多時分問題都卡在不同缺點的集成成像上。
2、重噪音中低對比度圖畫中的特征提?。涸谥卦胍舡h(huán)境下，真假瑕疵的鑒別許多時分較難，這也是許多場景一直存在必定誤檢率的原因，但這塊經(jīng)過成像和邊際特征提取的快速開展，已經(jīng)在不斷取得各種打破。
3、對非預期缺點的辨認：在使用中，往往是給定一些詳細的缺點形式，使用機器視覺來辨認它們到底有沒有發(fā)作。但常常遇到的情況是，許多顯著的缺點，因為之前沒有發(fā)作過，或者發(fā)作的形式過火多樣，而被漏檢。如果換做是人，雖然在操作流程文件中沒讓他去檢測這個缺點，可是他會注意到，然后有較大幾率抓住它，而機器視覺在這點上的“才智”現(xiàn)在還較難打破。